fa مقایسه‌ی کارایی الگوریتم‌های داده‌کاوی در تشخیص بیماری تیروئید فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:nasimYW;"><strong>زمینه و هدف:</strong> تشخیص به‌موقع عملکرد غیرطبیعی تیروئید و به&shy;دنبال آن در پیش گرفتن درمان صحیح، می&rlm;تواند باعث کاهش مرگ‌ومیر مرتبط با این بیماری شود. هم&rlm;چنین عدم‌تشخیص به‌موقع، عوارض جبران‌ناپذیری برای بیمار در پی خواهد داشت. این مطالعه، با هدف تعیین وضعیت غده تیروئید از نظر نرمال بودن، پرکاری یا کم‌کاری با استفاده از تکنیک&rlm;های داده‌کاوی انجام‌شده است.<span style="font-size:12.0pt;"></span><br> <strong><span style="letter-spacing:-.1pt;">روش بررسی:</span></strong> تولید مدل پیش&rlm;‌بینی کننده به‌منظور طبقه‌بندی بیماری تیروئید، پس از پیش‌پردازش داده&rlm;‌ها با استفاده از روش‌های نظارت‌شده و بدون ناظر انجام گردید. این مطالعه از نوع تحلیلی بوده و پایگاه داده &shy;ی آن شامل ۲۱۵ رکورد مستقل مبتنی بر ۵ ویژگی پیوسته و برگرفته‌شده از مرجع داده یادگیری ماشین <span dir="LTR">UCI</span> می&rlm;باشد.<span style="font-size:12.0pt;"></span><br> <strong>یافته<span style="letter-spacing:-.2pt;">‌</span>ها:</strong> در روش نظارت‌شده از شبکه&rlm; های عصبی پرسپترون چندلایه و شبکه عصبی بردار یادگیر و شبکه عصبی فازی و در روش بدون نظارت از خوشه &rlm;بندی فازی استفاده گردید. با روش حداقل مربعات خطا <span dir="LTR">(RMSE)</span> به &shy;ترتیب دقت&rlm; های ۰/۰۵۵ و ۰/۲۷۴ و ۰/۰۱۲ و ۰/۰۳۱ حاصل شد. <span style="font-size:12.0pt;"></span><br> <strong><span style="letter-spacing:-.1pt;">نتیجه‌گیری:</span></strong> کاهش خطای تشخیص بیماری تیروئید یکی از اهداف محققان بوده است. استفاده از روش&rlm; های مبتنی بر داده‌کاوی می&rlm; تواند به کاهش این خطا کمک کند. در این مطالعه تشخیص بیماری تیروئید به کمک روش&rlm;های مختلف تشخیص الگو صورت گرفت. نتایج نشان می&rlm; دهد که مدل عصبی فازی دارای حداقل میزان خطا و بیشترین دقت است.<br> &nbsp;</span></span></div> <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:Times New Roman;"><strong>Background and Aim</strong>: Timely diagnosis and treatment of abnormal thyroid function can reduce the mortality associated with this disease. However, lack of timely diagnosis will have irreversible complications for the patient. Using data mining techniques, the aim of this study is to determine the status of the thyroid gland in terms of normality, hyperthyroidism or hypothyroidism.<br> <strong>Materials and Methods</strong>: Using supervised and unsupervised methods after data preprocessing, predictive modeling was performed to classify thyroid disease. This is an analytical study and its dataset contains 215 independent records based on 5 continuous features retrieved from the UCI machine learning data reference.<br> <strong>Results:</strong> In supervised method, multilayer perception(MLP), learning vector quantization(LVQ), and fuzzy neural network(FNN) were used; and in unsupervised method, fuzzy clustering was employed. Besides, these precision figures(0.055, 0.274, 0.012 and 1.031) were obtained by root mean square error(RMSE) method, respectively.<br> <strong>Conclusion:</strong> Reducing the diagnosis error of thyroid disease was one of the goals of researchers. Using data mining techniques can help reduce this error. In this study, thyroid disease was diagnosed by different pattern recognition methods. The results show that the fuzzy neural network(FNN) has the least error rate and the highest accuracy.</span></span></div> بیماری تیروئید, خوشه ‌بندی فازی, شبکه عصبی مصنوعی, شبکه‌های فازی عصبی, یادگیری نظارت‌شده Thyroid Disease, Fuzzy Clustering, Artificial Neural Networks, Neural Fuzzy, Supervised Learning Networks 345 358 http://payavard.tums.ac.ir/browse.php?a_code=A-10-1-346&slc_lang=fa&sid=1 Mohsen Rezaei محسن رضایی Yes Master of Sciences Student in Information Technology, Department of Computer, Higher Education Technical Institute Atrak Ghoochan, Ghoochan, Iran دانشجوی کارشناسی ارشد مهندسی فناوری اطالعات، گروه کامپیوتر، موسسه آموزش عالی اترک قوچان، قوچان، ایران Nazanin Zahra Jafari نازنین زهرا جعفری No Master of Sciences Student in Information Technology, Department of Computer, Higher Education Technical Institute Atrak Ghoochan, Ghoochan, Iran دانشجوی کارشناسی ارشد مهندسی فناوری اطالعات، گروه کامپیوتر، موسسه آموزش عالی اترک قوچان، قوچان، ایران Hossein Ghaffarian حسین غفاریان No Assistant Professor, Department of Computer Engineering, Faculty of Engineering, Arak University, Arak, Iran استادیار گروه کامپیوتر ، دانشکده مهندسی، دانشگاه اراک، اراک، ایران Masoud Khosravi Farmad3 مسعود خسروی فارمد No Assistant Professor, Department of Computer, Higher Education Technical Institute Atrak Ghoochan, Ghoochan, Iran استادیار گروه کامپیوتر، موسسه آموزش عالی اترک قوچان، قوچان، ایران Iman Zabbah ایمان ذباح No Lecturer, Department of Computer, Torbat-e Heydariyeh Branch, Islamic Azad University, Torbat-e Heydariyeh, Iran مربی، گروه کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسالمی، تربت حیدریه، ایران Parvaneh Dehghan پروانه دهقان No Assistant Professor, Department of Oncology Radiotherapy, Torbat-e Heydarieh University of Medical Sciences, Torbat-e Heydarieh, Iran استادیار گروه رادیوتراپی انکولوژی، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران